该研究通过采用对比学习方法，利用正负样本来增强事件因果性识别的有效性，并应用于事件配对以更好地促进事件因果性识别，并在包括 EventStoryLine 和 Causal-TimeBank 在内的广泛使用的语料库上进行了评估，结果显示在最先进算法上有显著的性能提升。

May, 2024

本文通过比较两种不同的提示策略，即基于名称的提示和基于本体的提示，揭示了本体提示方法在零样本事件论证提取中的优势，并提出了一种因果干预的去偏方法。实验表明，经过去偏处理后的基准模型不仅更为有效和鲁棒，而且在对抗攻击方面有显着的改进。

Oct, 2022

本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

Jun, 2021

本文提出了一种迭代学习和识别框架，用于事件因果关系识别任务，通过更新事件的因果结构表示来提高因果识别的性能。实验证明，我们的方法在因果存在识别和方向识别的评估中优于现有的算法。

May, 2024

本文描述了我们在 CASE-2022 中参加亚任务 1: 使用正式新闻语料库的事件因果关系识别。我们通过利用一组简单但互补的技术，在少量有注释的示例（即少数派配置）上对语言模型（LM）进行微调，从而解决了因果关系识别（CRI）任务。我们比较了这种方法与在整个数据集上训练的集成技术的表现。我们的表现最佳的提交仅使用了每类 256 个实例的微调，占所有可用数据的 15.7％，而且具有次佳的精度（0.82），第三高的准确度（0.82），F1 分数（0.85）非常接近胜利团队所报道的（0.86）。

Sep, 2022

提出了一种多任务学习框架，通过因果性问题回答和事件结构图，增强了文档级事件因果性识别，并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。

Mar, 2024

通过将公共预训练语言模型作为知识库，并通过提示学习自动挖掘与脚本相关的知识，本文提出了一种考虑到了不确定性的新型提示学习方法，用于脚本事件预测，并在标准基准和大规模数据集上进行了验证，结果表明该方法优于传统基线模型分别 1.46% 和 1.05%。

Aug, 2023

本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

May, 2023

本文提出了一种双向迭代 prompt-tuning 方法用于事件论元提取，将该任务视为填空式任务以充分利用实体信息和预训练语言模型（PLMs），通过引入上下文实体的论据角色来探索事件论证交互，并利用角色标签语义知识构建语义化言化器并为 EAE 任务设计三种模板，在 ACE 2005 英文数据集上进行有效性实验。

Oct, 2022

本文提出了一个基于多步骤提示学习模型的真正的几乎零样本事件检测方法，旨在解决传统事件检测算法中存在的数据稀缺和上下文偏差问题，并通过对知识增强本体论的应用，以及 原型学习模块来提高事件分类和泛化性能。实验表明，与当前最好的基线模型相比，该方法在严格的低资源场景中提高了 11.43％的加权 F1 分数，并实现了卓越的去偏差性能。

May, 2023